SAMBHV: A Unified Open-Source Platform for Multi-Hazard Early Warning and Situational Awareness in Northeastern India
تقدم هذه الورقة منصة SAMBHV، وهي منصة موحدة مفتوحة المصدر لشمال شرق الهند تدمج القياس عن بُعد متعدد المصادر، والنمذجة التنبؤية الهجينة بين الذكاء الاصطناعي والفيزياء، وشبكات الاتصال المرنة لتقديم إنذارات مبكرة دقيقة متعددة اللغات ومتعددة المخاطر ووعي ظرفي في الوقت الفعلي مع مهلة زمنية تزيد عن 15 دقيقة.
في التلال الوعرة والمغمورة بالأمطار في شمال شرق الهند، تبدو الطبيعة مكاناً جميلاً ولكنه غادر؛ فالجبال الشاهقة، والصخور المتصدعة، والأمطار الموسمية الغزيرة تخلق عاصفة مثالية للكوارث الطبيعية. فعندما تسقط الأمطار الغزيرة لأيام متواصلة، تتشبع التربة وتصبح مثل الإسفنجة التي لم تعد قادرة على حبس الماء، حتى تنهار الأرض فجأة. يؤدي هذا إلى حدوث انزلاقات أرضية تدفن الطرق، وفيضانات مفاجئة تعزل قرى بأكملة لأساب- l. وعلى مدى عقود، كانت الأنظمة المصممة لتحذير الناس من هذه المخاطر تفاعلية وبطيئة؛ إذ تعتمد غالباً على قواعد بسيطة، مثل "إذا هطلت هذه الكمية من المطر، فقد يحدث انزلاق أرضي"، وهو ما يؤدي في كثير من الأحيان إلى إنذارات كاذبة تهدر الموارد، أو والأسوأ من ذلك، إنذارات مفقودة تكلف أرواحاً. لقد كان التحدي الجوهري يكمن في سد الفجوة بين لحظة بدء الكارثة ولحظة تلقي شخص في قرية نائية تعليمات واضحة وقابلة للتنفيذ للتحرك نحو الأمان.
وقد طور الباحثون الآن منصة جديدة مفتوحة المصدر تسمى "SAMBHV"، صُممت خصيصاً لحل هذه المشكلة في التضاريس المعقدة لشمال شرق الهند. تعمل المنصة بمثابة جهاز عصبي رقمي للمنطقة، حيث تستمع باستمرار إلى مجموعة متنوعة من الإشارات؛ فهي تجمع البيانات من مستشعرات التربة المدفونة في الأرض، وأجهزة قياس المطر، ومراقبين لمستويات الأنهار، والأقمار الصناعية للأرصاد الجوية، وحتى التقاربات من المواطنين أنفسهم. وبدلاً من الانتظار حتى تقع الكارثة قبل اتخاذ رد فعل، تستخدم المنصة عملية تفكير مكونة من مرحلتين: أولاً، تقوم بإجراء فحص سريع وخفيف الوزن لجميع البيانات الواردة لمعرفة ما إذا كانت الظروف تصبح خطيرة. وإذا بدت الأرقام مقلقة، فإنها تنتقل فوراً إلى تحليل أكثر قوة وتفصيلاً يجمع بين الذكاء الاصطناعي والقوانين الفيزيائية لحركة المياه والتربة. يسمح هذا النهج الهجين للنظام برصد العلامات المبكرة للمتاعب قبل ساعات من وقوع انهيار أو فيضان.
يكمن الابتكار الحقيقي لـ "SAMBHV" في كيفية اتخاذها للقرارات. فبدلاً من الاعتماد على نموذج حاسوبي واحد، والذي قد يخطئ أحياناً، يستخدم النظام آلية تصويت ثلاثية الأجزاء؛ حيث يتطلب موافقة ثلاثة مصادر مختلفة: محاكاة قائمة على الفيزياء لكيفية تصرف الماء والتربة، ونموذج ذكاء اصطناعي مدرب على التعرف على الأنماط، وتقارير ميدانية واقعية من الناس على الأرض. لا يتم إرسال تنبيه إلا إذا اتفق مصدران على الأقل من هذه المصادر الثلاثة على أن الخطر وشيك. يقلل هذا التصميم بشكل كبير من عدد الإنذارات الكاذبة، مما يضمن أنه عندما يصدر تحذير، يثق به الناس ويتصرفون بناءً عليه. وفي الاختبارات، حافظت هذه الطريقة على بقاء الإنذارات الكاذبة دون نسبة عشرة بالمائة مع استمرار رصد جميع التهديدات الفعلية تقريباً، وهو توازن عانت منه الأنظمة السابقة.
بمجرد تأكيد الخطر، لا تكتفي المنصة بإرسال رسالة عامة، بل تقدم إرشادات محددة ومنقذة للحياة مصممة خصيصاً للفرد. يمكنها حساب الطرق التي يُحتمل أن تُغلق بسبب الانزلاقات الأرضية أو الفيضانات، وحساب مسارات بديلة آمنة للإخلاء على الفور. وهذا أمر بالغ الأهمية في المناطق الجبلية حيث يمكن لطريق واحد مغلق أن يعزل قرية بالكامل. ثم توصل المنظمة هذه التحذيرات عبر ست قنوات مختلفة لضمان وصولها، حتى لو تعطلت شبكة الإنترنت أو أبراج الاتصالات. تستخدم المنصة الرسائل النصية القياسية، والمكالمات الصوتية، وشبكة لاسلكية متخصلة بعيدة المدى يمكنها الوصول إلى أعماق الوديان حيث لا توجد إشارة أخرى. وبالنسبة لأولئك الذين لا يستطيعون القراءة أو التحدث باللغة المحلية، تتضمن المنصة مساعداً حوارياً يفهم ويتحدث إحدى عشرة لغة إقليمية مختلفة، ويجيب على الأسئلة المتعلقة بالسلامة دون تقديم معلومات خاطئة.
اختبر الباحثون هذا النظام بالكامل في بيئة محاكية تحاكي أكثر من ثلاثمائة سيناريو مختلف للكوارث. وأظهرت النتائج أن المنصة يمكنها اكتشاف التهديدات وإرسال التنبيهات في أقل من ثلاثين ثانية، وهي سرعة تبلغ ستين ضعف سرعة المراقبة اليدوية التقليدية. وقد نجحت في التنبؤ بالقرى التي ستصبح معزولة وتوفت مسارات إخلاء دقيقة. ولعل الأهم من ذلك هو أن النظام مصمم للعمل بدون اتصال بالإنترنت لأكثر من اثنتين وسبعين ساعة، حيث يعمل على أجهزة محلية تخزن الخرائط وتعليمات السلامة. وبينما يعد النظام حالياً نموذجاً أولياً يعمل بكامل طاقته وجاهزاً للنشر، يشير الباحثون إلى أن نجاحه النهائي سيعتمد على تركيب مستشعرات حقيقية في الميدان وتدريب المجتمعات المحلية على استخدامه. ومن خلال الجمع بين التكنولوجيا المتقدمة والفهم العميق للمناظر الطبيعية المحلية والسلوك البشري، تقدم "SAMBHV" وسيلة عملية وموثوقة لحماية بعض أكثر المجتمعات ضعفاً في العالم من غضب الطبيعة المفاجئ.
ملخص تقني: SAMBHV – منصة مفتوحة المصدر موحدة للإنذار المبكر متعدد المخاطر في شمال شرق الهند
1. بيان المشكلة تواجه منطقة شمال شرق الهند (NER) تلاقياً حرجاً للمخاطر الطبيعية، وتحديداً الانهيارات الأرضية والفيضانات المفاجئة، والتي تتفاقم بسبب الجيولوجيا الهيمالايية الهشة، وهطول الأمطار الموسمية الشديدة، والتغييرات البشرية غير المخطط لها في الأراضي (قطع التلال وإزالة الغابات). بين عامي 2020 و2025، تسببت هذه الأحداث في مئات الوفيات وعزلت قرى نائية لأسابب بسبب انسداد الطرق. تشير الورقة البحثية إلى أن أنظمة المراقبة الحالية هي في الأساس تفاعلية ويدوية، وتعتمد على عتبات هطول أمطار ثابتة تفتقر إلى خصائص التربة المحددة للموقع، وبيانات الرطوبة السابقة، ومراقبة تشوه المنحدرات في الوقت الفعلي. وبناءً على ذلك، تعاني هذه الأنظمة من معدلات إنذار كاذب عالية (غالباً ما تتجاوز 30%) وفترات مهلة غير كافية، مما يؤدي إلى الفشل في تقديم تحذيرات على مستوى القرى في الوديان الضيقة أو التنبؤ بالعزل المتسلسل للمجتمعات.
2. المنهجية وهندسة النظام يُقدم نظام SAMBHV (المساعد الهندي للوعي بالموقف ومتعدد المخاطر) كمنصة كاملة المواصفات (Full-stack) مفتوحة المصدر (متوافقة مع رخصة Apache 2.0) مصممة لسد الفجوة بين وقوع الخطر ووصول التحذير. تتكون البنية من ثماني طبقات وظيفية:
الاستيعاب والتدفق (Ingestion & Streaming): يقوم النظام بتجميع بيانات متباينة من مستشعرات إنترنت الأشياء (رطوبة التربة، مقاييس الميل، مقاييس المطر) عبر تقنيات LoRaWAN/NB-IoT، وواجهات برمجة التطبيقات الخارجية (بيانات IMD للطقس، مستويات الأنهار من CWC، رادار دوبلر، وهطول الأمطار عبر الأقمار الصناعية)، وتقارير المواطنين. يتم استيعاب البيانات عبر Apache Kafka ومعالجتها باستخدام Apache Flink مع دلالات "زمن الحدث" (event-time semantics) وعلامات المياه (watermarks) للتعامل مع البيانات التي تصل خارج ترتيبها الزمني.
نمذجة تنبؤية هجينة ذات مرحلتين:
المرحلة الأولى (الفحص خفيف الوزن): تعمل باستمرار على فحص العتبات منخفضة زمن الاستجابة (مؤشر الأمطار السابقة، كثافة الأمطار، تشبع التربة، سرعة الميل) لتصفية الأحداث.
المرحلة الثانية (الاستدلال عالي الدقة باستخدام تعلم الآلة): يتم تفعيلها فقط عند تجاوز عتبات المرحلة الأولى. تستخدم هذه المرحلة:
منظم XGBoost المكاني: يقدر احتمالية فشل المنحدر باستخدام 12 ميزة هندسية (مثل زاوية المنحدر، الارتفاع، وتغير غطاء الأرض).
نموذج ConvLSTM Nowcaster: يتنبأ بحقول هطول الأمطار لمدة 6 ساعات بفواصل زمنية قدرها 15 دقيقة باستخدام بيانات الرادار، مع مراعاة التأثيرات التضاريسية.
الشبكة العصبية الرسومية (GNN): تنمذج شبكة الطرق كرسم بياني موزون للتنبؤ بـ "احتمالية عزل القرية" بدلاً من مجرد اكتشاف انسداد الطريق، مما يحدد متى تفقد القرية جميع طرق الوصول إليها.
نماذج HEC-HMS/HEC-RAS 2D: تستخدم مكتبة معدة مسبقاً من 500 سيناريو هيدروليكي للتنبؤ السريع (<5 ثوانٍ) بغمر الفيضانات المفاجئة.
متنبئ مرحلة الفيضان LSTM: يتنبأ بمستوى النهر وتصريفه قبل 6 ساعات.
بوابة القرار الجماعي (Ensemble Decision Gate): آلية توافق حاسمة "2 من 3" تتطلب الاتفاق بين ثلاث بوابات مستقلة — الفيزياء (عوامل الأمان في HEC-RAS)، والذكاء الاصطناعي/تعلم الآلة (ثقة النموذج)، والحقيقة الأرضية (تحقق المواطنين) — لإطلاق التنبيهات. يستهدف هذا التصميم تحديداً تقليل الإنذارات الكاذبة.
طبقة الذكاء الاصطناي التفاعلي: واجهة دردشة للحالات الحرجة تدعم 11 لغة هندية عبر نموذج IndicBART. تستخدم بوابة سلامة "صفر هلوسة" حيث يتم تقييد النماذج اللغوية الكبيرة (Llama-3.2) بقواميس سلامة مراجعة مسبقاً وتقنية التوليد المعزز بالاسترجاع (RAG) لمنع توليد تعليمات طوارئ غير مؤكدة أو خطيرة.
نشر وتوجيه التنبيهات: يتم بث التنبيهات عبر ست قنوات احتياطية (SMS، إشعارات دفع، البث الخلوي، IVR، شبكة LoRa Mesh، وصافرات الإنذار الفيزيائية) باستخدام معيار OASIS CAP 1.2. يقوم النظام بحساب مسارات الإخلاء البديلة ديناميكياً باستخدام pgRouting عندما يتم تحديد المسارات الرئيسية كمسارات مغلقة.
التشغيل من الحافة أولاً (Edge-First Offline Operation): يدعم عميل الهاتف المحمول (Flutter) وبوابات الحافة التشغيل المستقل لأكثر من 72 ساعة مع خرائط غير متصلة بالإنترنت، وتقنية Whisper لتحويل الكلام إلى نص محلياً، وقواميس سلامة مخبأة، مما يضمن العمل في المناطق التي تفتقر للشبكة.
3. المساهمات الرئيسية تدعي الورقة وجود عدة ابتكارات تقنية:
بنية تنبؤ هجينة: نظام ذو مرحلتين يجمع بين فحص العتبات خفيف الوزن والاستدلال عالي الدلية باستخدام تعلم الآلة لتحقيق زمن استجابة من العتبة إلى التنبيه يقل عن 30 ثانية.
التنبؤ بعزل القرى: التطبيق المبتكر للشبكات العصبية الرسومية (GNN) للتنبؤ باحتمالية انقطاع القرية عن شبكة الطرق، بدلاً من مجرد اكتشاف انسداد الطرق.
بوابة سلامة "صفر هلوسة": بنية مبتكرة لذكاء الاستجابة للكوارث تقيد مخرجات النماذج اللغوية الكبيرة بقواميس سلامة معتمدة، لمعالجة مسؤولية تقديم نصائح سلامة غير صحيحة.
بوابة التوافق الثلاثية: إطار اتخاذ قرار يتطلب التوافق عبر الفيزياء، والذكاء الاصطناعي، والبيانات الأرضية لتقليل الإنذارات الكاذبة في البيئات المعقدة وشحيحة البيانات.
حزمة شاملة مفتوحة المصدر: منصة جاهزة للإنتاج ومجهزة بـ Docker، تدمج معالجة التدفق، وقواعد البيانات المكانية (PostGIS)، وعدة أطر لتعلم الآلة، مصممة للنشر في المناطق ذات الموارد المحدودة والمتعددة اللغات.
4. النتائج والأداء تم تقييم النظام مقابل 311 حالة اختبار عبر تسعة مجموعات اختبار، بما في ذلك اختبارات التكامل، واختبارات الحمل، واختبارات المحاكاة الميدانية. تشمل مقاييس الأداء الرئيسية المبلغ عنها ما يلي:
دقة الكشف: حقق مقياس F1 درجة 0.87 ومقياس AUC-ROC درجة 0.92، وهو ما يتفوق بشكل كبير على النماذج الفردية الأساسية (F1 0.72) والأنظمة اليدوية (F1 0.55).
تقليل الإنذارات الكاذبة: تم تقليل معدل الإنذارات الكاذبة إلى 8%، مقارنة بـ 22% للأنظمة أحادية النموذج و35% للمراقبة اليدوية. وأكدت دراسة الاستئصال (Ablation study) أن بوابة القرار الجماعي ساهمت بشكل أكبر في تقليل الإنذارات الكاذبة (من 15% إلى 11%).
زمن الاستجابة (Latency): زمن استجابة التنبيه هو أقل من 30 ثانية من تجاوز العتبة، مقارنة بـ 120 ثانية للأنظمة أحادية النموذج و1800 ثانية للعمليات اليدوية.
القدرة على العمل دون اتصال: يدعم النظام التشغيل دون اتصال بالإنترنت لأكثر من 72 ساعة على أجهزة الحافة.
كفاءة الموارد: يتم تنفيذ نموذج ConvLSTM، وهو المكون الأكثر استهلاكاً للموارد (68% من المعالج)، فقط عند تصعيد الحالة، مما يحافظ على استهلاك منخفض للموارد في حالة الاستقرار.
5. الأهمية والادعاءات تضع المؤلفة نظام SAMBHV ليس مجرد نموذج أولي، بل كحل "جاهز للإنتاج" مصمم خصيصاً للتحديات التشغيلية المحددة في شمال شرق الهند، بما في ذلك الاتصال المتقطع، والسكان متعددي اللغات، وأحداث المخاطر المركبة. تؤكد الورقة أن المنصة تعالج الانهيارات المنهجية في بروتوكولات المراقبة الحالية من خلال دمج التحليلات التنبؤية مع القياس عن بُعد في الوقت الفعلي ومشاركة المواطنين.
تتمثل أهمية المنصة في قدرتها على:
إنقاذ الأرواح: من خلال توفير مهلة زمنية تزيد عن 15 دقيقة وتقليل الإنذارات الكاذبة التي تؤدي إلى تآكل الثقة العامة.
العمل في الظروف القاسية: من خلال بنيتها التي تعتمد على العمل دون اتصال وتكامل شبكة Loja Mesh، حيث تعمل في المناطق التي تفشل فيها الشبكات الخلوية.
ضمان السلامة: من خلال منع "هلوسة" الذكاء الاصطناعي في استعلامات السلامة الحرجة.
تمكين القابلية للتوسع: باعتبارها نظاماً مفتوح المصدر وقابلاً للتوسع مرخصاً بموجب رخصة Apache 2.0، فقد صُممت لسهولة النسخ والاعتماد من قبل وكالات إدارة الكوارث في الولايات.
تقر الورقة بتواضع بالقيود، مشيرة إلى أن النماذج الحالية تعتمد على بيانات تدريب اصطناعية بسبب نقص سجلات الانهيارات الأرضية الرسمية، وأن التحقق الميداني الكامل مع بيانات الأحداث الحقيقية المسمومة (labeled) ونشر كامل للمستشعرات مطلوب للانتشار التشغيلي.